当前位置：首页 > news >正文

第47篇：AI提示工程高级技巧——思维链、少样本学习与角色扮演（操作教程）

news 2026/7/10 10:46:10

文章目录

- 前言
- 环境准备
- 分步操作
- - 技巧一：思维链 (Chain-of-Thought, CoT)
  - 技巧二：少样本学习 (Few-Shot Learning)
  - 技巧三：角色扮演 (Role Playing)
- 完整代码示例：综合应用
- 踩坑提示
- 总结

前言

在AI应用开发中，我们常常遇到这样的困境：给模型的指令明明很清晰，但输出的结果却总是差那么点意思，要么逻辑混乱，要么答非所问。我早期做聊天机器人时，就经常被这种“看似懂了，实际没懂”的情况折磨。后来才发现，问题往往不在模型本身，而在于我们与模型“对话”的方式。今天，我们就来深入聊聊三个能显著提升大语言模型（LLM）表现的高级提示技巧：思维链、少样本学习和角色扮演。掌握它们，你就能像调教一位聪明的实习生一样，让AI的输出质量产生质的飞跃。

环境准备

本文的示例将主要使用 OpenAI 的 GPT 系列模型 API 进行演示。你需要准备：

一个 OpenAI API Key：这是调用模型的基础。
Python 环境：建议使用 Python 3.8+。
必要的库：主要使用openai官方库。通过pip install openai安装。

首先，让我们设置好基础环境：

importopenaiimportos# 请将你的 API Key 设置在环境变量中，或直接替换字符串（不推荐，有安全风险）openai.api_key=os.getenv("OPENAI_API_KEY")# 定义一个简单的调用函数，方便后续演示defget_completion(prompt,model="gpt-3.5-turbo"):messages=[{"role":"user","content":prompt}]response=openai.ChatCompletion.create(model=model,messages=messages,temperature=0,# 温度设为0，使输出更确定，便于调试)returnresponse.choices[0].message["content"]

分步操作

技巧一：思维链 (Chain-of-Thought, CoT)

核心思想：引导模型像人一样，将复杂问题分解为多个推理步骤，而不是直接给出最终答案。这对于数学、逻辑推理、复杂分析类任务效果拔群。

基础用法：在提示词中明确要求模型“逐步思考”。

# 一个糟糕的提示示例（直接提问）bad_prompt=""" Q：一个市场有苹果和橘子。苹果比橘子多5个。如果总共有23个水果，苹果有多少个？ A： """print(get_completion(bad_prompt))# 输出可能直接是：“苹果有14个。” 模型可能蒙对，但过程不可靠。# 使用思维链的提示cot_prompt=""" Q：一个市场有苹果和橘子。苹果比橘子多5个。如果总共有23个水果，苹果有多少个？ 请逐步推理。 A：让我们一步步思考。 """print(get_completion(cot_prompt))

输出示例：

设橘子的数量为 O。
那么苹果的数量就是 O + 5。
水果总数是苹果和橘子之和： (O + 5) + O = 23。
合并同类项： 2O + 5 = 23。
两边减去5： 2O = 18。
两边除以2： O = 9。
所以，苹果的数量是 O + 5 = 9 + 5 = 14。
答案：苹果有14个。

进阶用法——零样本思维链：对于足够强大的模型（如 GPT-4），你甚至可以在指令中直接加入“让我们一步步思考”这句话，就能激发其思维链能力，无需提供示例。

zero_shot_cot_prompt=""" Q：小明每天存2元钱。他存了10天后，用一半的钱买了一本书，然后又每天存3元。再过5天，他一共有多少钱？ 让我们一步步思考。 """print(get_completion(zero_shot_cot_prompt,model="gpt-4"))

技巧二：少样本学习 (Few-Shot Learning)

核心思想：通过给模型提供少量的输入-输出示例，让它“照葫芦画瓢”，理解任务的具体格式、风格和规则。这在模型需要遵循特定格式或处理它不熟悉的任务时特别有效。

操作步骤：在提示词中，先提供几个例子，再给出你的新问题。

few_shot_prompt=""" 请将以下中文电商评论的情感分类为“正面”、“负面”或“中性”。 示例1： 评论： “手机拍照效果太惊艳了，夜景模式很强。” 情感： 正面 示例2： 评论： “物流慢得离谱，一周才到，包装还破了。” 情感： 负面 示例3： 评论： “商品和描述的一样，没什么特别的感受。” 情感： 中性 现在，请分类新的评论： 评论： “电池续航没有宣传的那么久，但屏幕素质确实不错。” 情感： """print(get_completion(few_shot_prompt))

输出示例：中性或混合偏中性（模型能理解其中的矛盾点）。

关键点：示例的选择至关重要。它们应该：

覆盖多样性：涵盖任务可能的不同情况。
明确清晰：输入和输出的对应关系要一目了然。
与目标一致：示例的格式就是你希望得到的格式。

技巧三：角色扮演 (Role Playing)

核心思想：为模型赋予一个特定的角色或身份，约束其回答的角度、知识范围和语言风格。这能让回答更具专业性、沉浸感或符合特定需求。

基础用法：在提示词开头明确指定角色。

role_play_prompt=""" 你是一位资深、幽默的科技产品测评博主，擅长用生动比喻和日常场景讲解复杂参数。请用你的风格评价以下手机特性： “这款手机采用了最新的骁龙8 Gen 2处理器和LPDDR5X内存。” """print(get_completion(role_play_prompt))

输出示例：

“好家伙，这心脏和血管可够顶的！骁龙8 Gen 2就好比请了F1赛车手来给你跑外卖，甭管是狂野飙车（大型游戏）还是同时接八个单（多任务处理），它都能给你安排得丝滑流畅，还省电（相对而言）。配上LPDDR5X这条‘高速公路’，数据吞吐量堪比春运高铁站，App秒开、照片秒处理，那种‘等’的感觉，基本上可以告别了。”

进阶用法——结合系统消息：在使用ChatCompletion API时，system消息是设定角色的绝佳位置，能更稳定地塑造模型行为。

defget_completion_with_role(system_role,user_input,model="gpt-3.5-turbo"):messages=[{"role":"system","content":system_role},{"role":"user","content":user_input}]response=openai.ChatCompletion.create(model=model,messages=messages,temperature=0.7,# 适当调高温度，让风格更生动)returnresponse.choices[0].message["content"]# 定义角色system_prompt="你是一位言辞犀利、观点独到的古典文学教授，喜欢引经据典，对学生要求严格。"user_input="请简要评价《三国演义》中曹操这个人物。"print(get_completion_with_role(system_prompt,user_input))

完整代码示例：综合应用

让我们设计一个综合应用场景：一个AI商业顾问，需要分析一段简短的用户评论，并以结构化、专业的报告形式输出。
我们将结合少样本学习（教它报告格式）、角色扮演（赋予顾问身份）和思维链（要求分步分析）。

defai_business_consultant_analysis(comment):""" 综合运用三种提示技巧的商业评论分析函数。 """system_role="""你是“智策”咨询公司的资深AI商业顾问。你的任务是冷静、客观地分析客户提供的市场文本信息，并生成简短的专业分析报告。你思维严谨，注重数据逻辑。"""few_shot_examples=""" 请根据以下示例格式进行分析： 示例评论： “最近‘即食燕窝’在短视频平台广告很多，但评论区有人说性价比低，怀疑功效。” 分析报告： 【趋势观察】：即食燕窝品类正通过短视频渠道进行密集营销推广。 【潜在风险】：1. 产品价值（功效）受到消费者质疑，可能存在信任危机。2. “性价比低”的反馈可能影响复购率。 【行动建议】：1. 进行透明的成分与功效认证沟通。2. 评估定价策略，或推出小规格试用装降低初次体验门槛。 示例评论： “我们办公室最近有3个同事都买了同一款国产电动升降桌，说健康办公。” 分析报告： 【趋势观察】：健康办公理念在特定职场群体（如白领）中渗透，带动电动升降桌等产品需求。 【潜在机会】：1. 该产品可能通过口碑（同事推荐）在封闭社群中快速传播。2. “国产”标签可能暗示其具备价格或供应链优势。 【行动建议】：1. 研究职场社群营销策略。2. 突出产品的健康收益与国产性价比优势进行宣传。 """cot_instruction="请按以下步骤思考：1. 提取关键事实与情绪。 2. 推断背后的商业现象或模式。 3. 分析可能的原因或影响。 4. 形成建议。"user_prompt=f"""{few_shot_examples}{cot_instruction}现在，请分析以下新的评论： 评论：“{comment}” 分析报告： """messages=[{"role":"system","content":system_role},{"role":"user","content":user_prompt}]response=openai.ChatCompletion.create(model="gpt-4",messages=messages,temperature=0.2,# 较低温度，保证报告风格稳定专业)returnresponse.choices[0].message["content"]# 测试test_comment=“我发现家附近新开了两家‘宠物烘焙店’，主打宠物生日蛋糕，生意看起来不错。”print(ai_business_consultant_analysis(test_comment))

预期输出结构：

【趋势观察】：宠物拟人化消费升级，宠物食品向精致化、仪式化（生日场景）发展。
【潜在机会】：1. “线下店”形式增强了体验与信任感。2. 聚焦细分场景（生日）打造爆款。3. 社区店模式可能拥有稳定客源。
【行动建议】：1. 调研本地养宠人群密度与消费能力。2. 考虑“烘焙+轻医疗/美容”的复合业态增加粘性。3. 开发线上预订、定制化服务。

踩坑提示

思维链的过度使用：对于极其简单的任务，要求逐步思考反而可能让输出变得冗长，甚至引入不必要的错误。技巧：根据任务复杂度决定是否使用CoT。
少样本示例的偏见：你提供的示例会极大影响模型。如果示例全是正面，模型可能倾向于预测正面。技巧：确保示例集平衡且具有代表性。
角色冲突：同时赋予模型多个矛盾的角色（如“严谨的科学家”和“搞笑段子手”），会导致输出混乱。技巧：一次只定义一个核心角色，保持指令一致性。
Token消耗：少样本学习和详细的思维链会显著增加提示词的长度，从而增加API调用成本和可能触及上下文长度限制。技巧：精炼示例，对于长上下文模型（如GPT-4-128k），可以放入更多示例；对于短上下文模型，要精选核心示例。
温度（Temperature）参数：思维链和少样本学习通常需要确定性更高的输出（temperature=0~0.3），而角色扮演为了风格多样可以适当调高（temperature=0.7~0.9）。需要根据目标灵活调整。